GPT-4在MRI协议制定中的潜力与挑战：基于临床申请单的序列级生成与评估

《European Radiology》：Reply to the Letter to the Editor: The role of prompt engineering and referral completeness in evaluating GPT-4 for MRI protocols

本刊推荐：为解决大语言模型(LLM)在放射学临床应用中的可重复性与外部有效性问题，研究人员针对GPT-4基于放射学申请单(RRF)生成序列级MRI协议的主题展开研究。结果表明，采用工程化提示与零样本推理(zero-shot inference)的GPT-4能够生成临床可用的MRI协议，但在肌肉骨骼等指南不一致的亚专科中表现较弱。该研究强调了提示策略与指南标准化对LLM临床部署的重要性，并为构建两阶段工作流（先筛选不完整申请单，再生成协议）提供了依据。

　　

在当今放射科日常工作中，磁共振成像（Magnetic Resonance Imaging, MRI）检查的申请单（Radiology Request Form, RRF）犹如临床医生递给放射科医生的一份“考卷”。上面书写的临床病史和检查目的，直接决定了放射科医生需要设计怎样的MRI扫描序列来“精准答题”。然而，这份“考卷”的质量参差不齐，有的信息详实，有的却含糊不清。另一方面，面对不同部位、不同疾病的MRI检查，放射科医生需要在大脑中快速调取并综合应用各种复杂的临床指南——例如美国放射学会（American College of Radiology, ACR）和欧洲骨骼放射学会（European Society of Skeletal Radiology, ESSR）发布的、有时甚至存在差异的建议，并结合本地的设备和实践习惯，最终制定出一套完整的、序列级别的扫描方案。这个过程高度依赖专家的经验和知识，既繁重又容易因疲劳或疏忽产生差异。

就在这样的背景下，人工智能领域迎来了颠覆性的技术——大语言模型（Large Language Model, LLM），尤其是OpenAI开发的GPT-4。它展现出的强大语言理解和推理能力，让研究人员看到了将其应用于自动化、标准化放射科工作流程的曙光。一个核心问题随之浮现：GPT-4能否像一位训练有素的放射科住院医师一样，仅凭RRF上的文字信息，就生成出可直接用于临床的、序列级别的MRI协议？如果可以，其准确性和可靠性又如何？这不仅是技术上的挑战，更关乎着未来人机协作的临床模式。Robert Terzis及其团队在《European Radiology》上发表的研究，正是为了回答这一前沿问题而展开的探索。

为了评估GPT-4的能力，研究团队设计了一套严谨的方法。他们从临床常规中收集了放射学申请单（RRF），但关键的第一步是排除了那些临床信息不足的申请单。这样做是为了将评估焦点集中在模型本身的能力上，而非输入信息的质量上。研究的核心在于“提示工程”（Prompt Engineering）。研究人员首先选取了4份具有代表性的RRF，通过12轮迭代，精心打磨出一条单一的指令。随后，他们通过重复运行这4份RRF各5次来验证最终提示的稳定性。在正式测试中，他们对100份测试集RRF中的每一份，都在独立的聊天会话中应用这条最终确定的提示，且不提供任何示例，这种方法被称为“零样本推理”（Zero-shot Inference）。他们将GPT-4生成的结果与放射科住院医师制定的方案进行比较，并由专家共识作为参考标准，从临床适用性、指南符合度等维度进行评价。

研究结果揭示了几个关键发现：

1. GPT-4具备生成临床适用MRI协议的能力

研究发现，在信息充分的RRF基础上，GPT-4能够生成在序列级别上具有临床适用性的MRI协议。这意味着模型不仅能理解临床问题，还能将其转化为具体的技术执行方案，展现了其作为临床决策支持工具的潜力。

2. 性能表现存在亚专科异质性

一个重要的发现是GPT-4的性能在不同放射亚专科之间存在差异。总体而言，其在肌肉骨骼成像（Musculoskeletal Imaging），特别是膝关节成像方面的表现相对较弱。这并非简单的模型能力不足，而是更深层次问题的反映。

3. 指南不一致性是关键挑战

研究人员指出，肌肉骨骼成像领域缺乏统一的指南是导致GPT-4在该领域表现不佳的主要原因。ACR和ESSR等权威机构发布的序列参数本身存在分歧，加之本地化实践模式的进一步影响，使得模型在没有明确、一致标准的情况下难以做出最优判断。专家共识也多次指出GPT-4生成的肌肉骨骼MRI协议中存在因指南不一致而产生的问题。

4. 提示策略与实验设计的权衡

针对评论者关于可能通过更精细的“提示工程”来提升性能的建议，作者阐明了他们的研究设计初衷：模拟真实的临床场景，即从零开始创建协议，而不预先提供特定的、本地批准的指南。他们认为，虽然后者可能提升在特定环境下的表现，但却会牺牲研究结果的普遍性（Generalizability），并掩盖“因指南不一致导致模型性能波动”这一核心发现。

5. 对未来工作流程的构想

研究团队承认不完整的RRF会严重影响LLM的性能，因此他们赞同将评估LLM在处理信息不足的RRF方面的能力作为下一步重点。他们提出了一个两阶段工作流的构想：首先利用LLM（如GPT-4）对RRF进行上游分诊（Upstream Triage），自动标记出信息不充分的申请单，提示放射科医生与临床医生沟通；只有当RRF信息充足时，才启动下游的序列级协议生成。他们引用新兴的“检查原因成像报告和数据系统”（Reason for Exam Imaging Reporting and Data System, RI-RADS）的研究作为支持，该系统已被证明能可靠地对转诊单的完整性进行分层。

归纳该研究的结论与讨论，其重要意义在于多维度的。首先，它实证了GPT-4在理想输入条件下（即信息完整的RRF）用于MRI协议生成的可行性，为后续应用奠定了基础。其次，它深刻地揭示了当前阻碍AI在放射学中深度应用的瓶颈之一——临床指南的标准化和统一性问题，尤其是在肌肉骨骼成像等领域。这提醒业界，AI模型的效能不仅取决于其算法，更依赖于其所学习的知识体系的质量和一致性。此外，研究强调了“提示工程”在LLM医学应用中的核心地位，并明确了“提示校准”与“推理过程”的区别，为未来研究提供了方法学上的参考。最重要的是，作者始终强调，这项研究的目的是用AI取代放射科医生，而是作为辅助工具。放射科医生在识别缺失信息、与临床医生沟通以及提供富有洞察力和同理心的护理方面，其角色仍然是不可或缺的。未来的方向是人机协作，让AI处理规范化的任务，而让医生专注于更复杂的决策和人文关怀。这项发表在《European Radiology》上的工作，无疑为放射学与人工智能的融合描绘了一幅更具象、更理性的发展蓝图。